
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种结合聚类和卷积神经网络来预测液体装载开始的综合方法
《Canadian Journal of Chemical Engineering》:A combined approach for predicting liquid loading onset via clustering and convolutional neural networks
【字体: 大 中 小 】 时间:2026年04月16日 来源:Canadian Journal of Chemical Engineering 1.9
编辑推荐:
液体载荷是气井常见问题,影响产量甚至停产,准确预测其启动对稳产至关重要。本文提出一种基于聚类优化模型与卷积神经网络(CNN)的新方法,通过整合1000余组气井数据训练,相比传统经验模型,聚类优化模型预测性能更优,尤其在适用性方面。结合CNN后整体准确率达95%,分别优于两种单一模型(聚类模型准确率92.5%-96.5%)。该混合策略增强了预测的鲁棒性,展现出良好的现场应用潜力。
液体填充是气井中常见的问题,会导致产量下降甚至停产。准确预测液体填充的发生对于维持稳定的产量至关重要。现有的模型基于不同的机制来预测液体填充的发生,但目前还没有一个适用于所有气井条件的通用验证模型。本文提出了一种新的数据驱动方法,用于预测各种类型气井中的液体填充现象。该方法结合了基于聚类的优化模型和卷积神经网络(CNN),以准确分类液体填充状态。通过收集文献和现场数据,建立了一个包含1000多条记录的数据库,用于训练和测试新的液体填充预测模型。比较结果表明,基于聚类的优化模型在液体填充预测方面优于传统的基于方程的经验模型或半经验模型,尤其是在考虑模型适用性时。CNN模型的预测准确率达到了92.5%–96.5%(平均超过90%)。当这两种方法结合使用时,整体预测准确率达到了95%,超过了单独的优化模型或CNN模型的性能。这种结合策略增强了模型的鲁棒性,并显示出在更广泛的应用场景中的巨大潜力。
作者声明没有利益冲突。
为了保证透明度,与本文相关的同行评审文件可在https://doi.org/10.1002/cjce.70389获取。
支持本研究结果的数据可向相应作者提出合理请求后获得。